引言
各位看官，最近是不是被各种 AI 框架搞得眼花缭乱？别慌，今天我来给大家伙儿介绍一个神器 —— LangChain！它就像一个 AI 界的“瑞士军刀”，让咱们这些“代码搬运工”也能轻松玩转大模型。😎
起飞前的热身：ModelScope 和 Python Notebook
首先，咱们来聊聊“装备”。 在我开始折腾LangChain之前，我在ModelScope（魔搭）社区溜达了一圈，这地儿简直就是国内 AI 模型的“淘宝”，各种开源模型应有尽有，跟国外的 HuggingFace 有的一拼！
(小 Tips：ModelScope 就像 AI 界的“宝藏”，没事儿多去逛逛，说不定能淘到啥好东西！💎)
然后，我祭出了我的秘密武器 —— Python Notebook（.ipynb 文件）。这玩意儿简直就是搞 NLP 和数据分析的 “神器”。 它可以让我们把算法 idea、测试模型、随便写写代码都塞到一个文件里，还能直接运行，简直不要太方便！
(小 Tips：Python Notebook 就像咱们的“草稿本”，可以随便涂涂画画，还不用担心找不到！✍️ )
为什么要选 LangChain？因为它懒啊！😂
你可能会问，市面上那么多 AI 框架，为啥非要选 LangChain？ 答案很简单：因为它够懒！哦不，是够“方便”！它最大的优点就是可以让你在各种大模型之间无缝切换，不用为不同的模型写不同的代码，简直就是“懒人福音”！
(小 Tips：LangChain 就是一个“模型转换器”，让你不用在不同模型之间来回倒腾，省时省力！ 💪)
Langchain_openai：让 OpenAI 更听话的小助手
有了 LangChain，我们用 OpenAI 就更方便啦！它把 OpenAI 的 API 封装起来，让我们的 AI 应用始终保持高水准。更棒的是，它还能让我们把底层的模型给“抽象”出来，这样想换模型就换模型，完全不用担心代码要大改！而且速度是真的快，体验感拉满！
(小 Tips：Langchain_openai 就像 OpenAI 的“私人订制”，让你用得更舒服，效率更高！ 🚀)
Langchain.schema：给数据“穿上马甲”
LangChain 里的 langchain.schema 模块就像一个“数据结构设计师”，它预先定义了各种数据结构，比如 HumanMessage（人类说的话） 和 SystemMessage（系统说的话）。这让我们的代码更加规范，也更易于维护。
(小 Tips：langchain.schema 就像“数据结构的模具”，让我们的数据井井有条，一目了然！ 🗂️ )
Langchain.prompts：进入 AI 全栈的“敲门砖”
终于来到重头戏 —— langchain.prompts！这个模块可以说是进入 AI 全栈领域的标志。 Prompt（提示词） 是我们跟 AI 交流的关键，也是 AI 应用的核心。而 PromptTemplate 就像一个 “Prompt 生成器”，可以让我们轻松创建各种 Prompt 模板。
我们不仅可以从模板生成 prompt， 还能使用 format 方法，将模板和数据结合起来，生成最终的 prompt。这简直就是 “一键生成 Prompt” 的神器，妈妈再也不用担心我不会写 Prompt 了！
(小 Tips：langchain.prompts 就像 AI 界的 “文案大师”，让你轻松写出高质量的 Prompt！ 📝 )
代码实战：用 Python Notebook “调戏” AI
接下来，我就用我之前写的四个 .ipynb 文件来给大家伙儿展示一下，LangChain 到底有多好玩！
1. 初探 OpenAI：给玫瑰花写句广告语
# 导入内置 操作系统模块
import os
# 环境变量
os.environ["OPENAI_API_KEY"] = "你的API密钥" # 替换成你的 API 密钥
os.environ["OPENAI_BASE_URL"] = "https://api.302.ai/v1" # 替换成你的 API 地址
from langchain_openai import OpenAI
# 实例化
llm = OpenAI(
model_name="gpt-3.5-turbo-instruct",
max_tokens=200
)
text = llm.invoke("请给我写一个情人节红玫瑰的中文宣传语")
print(text)
这段代码很简单，就是调用 OpenAI 的 gpt-3.5-turbo-instruct 模型，让它帮我们写一句情人节玫瑰花的宣传语。 跑一下，你会发现，AI 还是挺会说话的！ 🌹
2. ChatOpenAI：和风水大师聊聊花店名字
# 导入内置 操作系统模块
import os
# 环境变量
os.environ["OPENAI_API_KEY"] = "你的API密钥" # 替换成你的 API 密钥
os.environ["OPENAI_BASE_URL"] = "https://api.302.ai/v1" # 替换成你的 API 地址
from langchain_openai import ChatOpenAI
from langchain.schema import (
SystemMessage,
HumanMessage
)
chat = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0.8,
max_tokens=60
)
messages = [
SystemMessage(content="你是一个很棒的风水师"),
HumanMessage(content="请给我的花店起一个名字"),
]
response = chat(messages)
print(response)
print(response.content)
这段代码，我们用
ChatOpenAI 来模拟对话，让 AI 化身风水大师，帮我们的花店起个名字。 别看代码简单，用上 SystemMessage 和 HumanMessage 后，对话的 “角色感” 就出来了。
3. PromptTemplate 初体验：生成鲜花文案
import os
os.environ["OPENAI_API_KEY"] = "你的API密钥" # 替换成你的 API 密钥
os.environ["OPENAI_BASE_URL"] = "https://api.302.ai/v1" # 替换成你的 API 地址
from langchain.prompts import PromptTemplate
from langchain_openai import OpenAI
template = """
你是一位专业的鲜花店文案撰写员。\n
对于售价为 {price} 元的 {flower_name}，你能提供一个
吸引人的简短描述吗\n
"""
prompt = PromptTemplate.from_template(template)
print(prompt)
input = prompt.format(flower_name="玫瑰",price="99")
print(input)
model = OpenAI(model_name='gpt-3.5-turbo-instruct')
output = model.invoke(input)
print(output)
这段代码展示了 PromptTemplate 的用法。我们定义了一个模板，然后用 format 方法往里 “填空”，再用 OpenAI 生成文案。是不是很简单？
结果：
4. StructuredOutputParser：让 AI 输出 “结构化数据”
import os
os.environ["OPENAI_API_KEY"] = "你的API密钥" # 替换成你的 API 密钥
os.environ["OPENAI_BASE_URL"] = "https://api.302.ai/v1" # 替换成你的 API 地址
from langchain.prompts import PromptTemplate
from langchain_openai import OpenAI
from langchain.output_parsers import StructuredOutputParser,ResponseSchema
template =
"""
你是一位专业的鲜花店文案撰写员。\n
对于售价为 {price} 元的 {flower_name}，你能提供一个
吸引人的简短描述吗\n
{format_instructions}
"""
response_schemas =[
ResponseSchema(name="description",description="鲜花的描述文案"),
ResponseSchema(name="reason",description="为什么要这样写这个文案"),
]
output_parse = StructuredOutputParser.from_response_schemas(
response_schemas
)
print(output_parse)
format_instructions = output_parse.get_format_instructions()
print(format_instructions)
prompt = PromptTemplate.from_template(
template,
partial_variables={"format_instructions":format_instructions}
)
input = prompt.format(flower_name="玫瑰",price="99")
print(input)
model = OpenAI(model_name="gpt-3.5-turbo-instruct")
output = model.invoke(input)
print(output)
这段就是我们将要填写格式需求的地方。
格式化后的nmput:
这段代码更进一步，使用了 StructuredOutputParser，它可以让 AI 输出结构化的数据，比如 JSON 格式。这样我们就能更方便地处理 AI 的输出结果。
但是我们可以看到
out.reason还是得不到json数组的，只是能生成一个类似的字符串。
总结：LangChain，AI 开发的新宠！
看完这篇“接地气”的 LangChain 教程，你是不是觉得 AI 开发也没那么难？ LangChain 的强大之处就在于它降低了 AI 开发的门槛，让我们可以像搭乐高一样，用各种模块组合出自己的 AI 应用。
如果你也想加入 AI 开发的大军，不妨试试 LangChain 吧，相信它会给你带来不一样的体验！ 🚀
最后，别忘了给我点个赞哦！👍 如果有任何问题，也欢迎在评论区留言！ 咱们一起在 AI 的世界里遨游！ 🌊
